LSCP: Locally Selective Combination in Parallel Outlier Ensembles-学习笔记

LSCP: Locally Selective Combination in Parallel Outlier Ensembles

1. LSCP框架：

        1.训练多个基础异常检测器（Base Detector Generation）;

        2.生成伪标签用于评估（Pseudo Ground Truth）;

        3.对于每个测试点生成局部空间，也就是近邻（Local Region Definition）;

        4.模型选择与合并（Model Selection and Combination），即对所有的基模型在找到的局部空间上用生产的伪标签进行评估，和伪标签在局部空间上Pearson大的被选做最终输出模型。

 

1. 异常检测（离群值检测）是一种重要的数据挖掘方法，可以找到与“主要数据分布”不同的异常值。
2. 异常检测有三个特点：1无监督：一般没有标签可用;2极端的数据不平衡：异常点往往远少于正常点;3复杂的模式。
3. 绝大部分的异常检测集成都是并行式的。
4. LSCP（Locally Selective Combination in Parallel Outlier Ensembles）通过强调数据局部性来选择性地组合基本检测器。
5. 结合/融合/整合 (integration/ combination/ fusion)多个机器学习模型往往可以提高整体的预测能力。
6. 动态分类器选择（DCS）是一个用于分类任务的已建立组合框架。
7. LSCP改进了局部区域定义过程，以实现更稳定的组合机制。
8. LSCP从一组要组合的检测器开始。对于每个测试实例，LSCP首先定义其局部区域，然后选择功能最强的局部检测器。所选检测器用于生成测试实例的离群值。

---

1. 基于论文中的可视化分析，可以假设，当离群对象和正常对象被很好地分离时，LSCP是有用的，但是当它们被交错，数据因为异常过于分散，没有形成局部特征时，LSCP的效果会降低。当假设有少量异常值时，较小的局部区域大小会更合适。

1. 因为异常检测是无监督的，所以该算法使用所有基学习器的输出结果的{均值，最大值}作为伪标签。LSCP中的伪标签是利用训练数据生成的，仅用于检测器的选择。
2. LOF（Identifying Density-Based LocalOutl